编辑推荐：
本推荐语归纳了这篇探索性研究的核心：研究发现概念组合任务中，生成式AI的使用与中央执行网络相关面部表情指数的降低存在关联，且创造性自我效能感调节此关联。研究提示AI辅助创意工作可能影响认知参与模式，为理解AI与人类认知交互提供了新视角（基于间接的面部表情测量，非直接神经活动证据）。
引言
生成式人工智能的出现已经显著改变了当代工作实践。研究表明，生成式AI工具的用户在信息搜索和整理等任务上投入的精力减少，转而将认知资源重新分配到验证和完善AI生成的输出上。特别是大型语言模型，通过减少咨询和整合多个外部来源的需求，简化了信息获取。实证研究指出，与传统基于网络的搜索方法相比，使用LLM可以减轻各种形式的认知负荷，并促进理解和信息检索。相关研究进一步报告了信息搜索过程中挫败感和感知努力的减少，同时伴随着生产力和持续任务参与度的提升。
尽管存在这些效率优势，但人们对生成式AI对学习、创造力和写作相关认知的影响产生了担忧。通过根据最少的提示按需生成内容，LLM可以提供快速草稿，这可能支持构思和时间效率。然而，一些研究表明，这种支持并不一定能转化为知识获取或迁移的改善。此外，那些最小化反思、修改或来源整合需求的AI工具，可能使用户绕过对深度学习和图式构建至关重要的认知要求高的过程。实验证据进一步表明，相对于无辅助或传统支持的写作任务，对生成式AI的依赖会降低创造性写作的表现。
易于获取AI生成的答案也可能鼓励被动的信息消费。这种使用模式与浅层参与、批判性思维减弱、理解深度降低以及持久记忆表征形成受损有关。当问题解决方案立即可用时，用户可能不太倾向于从事独立的问题解决或探索性推理。从认知角度来看，刺激不足和持续依赖外部工具可能会破坏与认知发展和记忆巩固相关的过程。这些关切与更广泛的认知卸载概念密切相关，即个体将内部认知过程委托给外部辅助工具，这可能随着时间的推移改变认知参与模式。与这一观点一致，多项研究报告称，过度依赖生成式AI与批判性思维减少以及对自动化系统的依赖性增加有关。
个体差异似乎在塑造生成式AI的使用方式及其如何影响认知参与方面起着核心作用。自我效能感——定义为对个人计划、组织和执行任务能力的信心——已被确定为AI使用的一个重要调节因素。自我效能感较低的用户往往更依赖AI生成的输出，经常优先考虑即时解决方案而非费力的认知加工。相比之下，具有更多领域知识和较高认知能力的个体更可能策略性地使用数字工具，积极评估、整合和转换信息，而不是被动接受。最近的比较研究进一步表明，高能力学习者倾向于将LLM用作主动学习的支持，而低能力学习者更可能用AI输出替代自身的认知努力，这可能会减少生产性认知负荷。
神经科学的见解为不同形式的信息处理如何调动大脑提供了额外的视角。功能性磁共振成像研究显示，主动的网络搜索会调动与决策、工作记忆和执行控制相关的广泛神经网络，包括背外侧前额叶皮层、前扣带皮层和海马体。这种参与反映了搜索的认知要求高的性质，它需要目标维持、语义整合和策略评估。信息寻求行为也得到涉及奖励预测和不确定性解决的神经系统的支持，多巴胺能通路编码信息的预期价值并在探索行为期间维持动机。
相比之下，新出现的证据表明，在写作任务中依赖生成式AI可能与认知和神经过程参与的减少有关。例如，使用脑电图进行的实验工作表明，在使用传统搜索工具或无外部协助的参与者相比，在论文写作期间使用生成式AI的参与者表现出较低的整合神经活动。这些模式伴随着参与度和主动性降低的行为指标，例如被动接受AI生成的文本和有限的修改。内容分析进一步表明，AI辅助输出的原创性降低而重复性增加。虽然这些发现并未确立对大脑功能的因果效应，但它们提出了关于外部认知支持可能如何改变执行参与模式的重要问题。
从网络神经科学的角度来看，创造性认知与默认模式网络和中央执行网络之间的相互作用有关。CEN——包括背外侧前额叶皮层、背侧ACC和外侧顶叶皮层等区域——与持续注意力、工作记忆和认知控制相关，而DMN支持内部导向的思维、自发联想和想法生成。尽管这些网络在静息状态下通常是反相关的，但汇聚的证据表明它们在创造性任务中可能会合作。病变和网络控制研究进一步表明了创造性过程之间的功能分离：概念生成似乎更依赖于DMN相关区域，而概念组合和评估则依赖于CEN相关的控制机制。
在此背景下，本项试点研究考察了生成式AI支持的创造性写作与面部表情衍生指数之间的任务特异性关联，这些指数先前已被证明与DMN和CEN的灰质体积相关。参与者完成了三项旨在强调概念生成、概念组合和混合过程的AI支持任务。通过关注跨任务的面部表情衍生指数的变化，并检查它们与自我效能感和表现自我评估的关系，本研究旨在提供探索性证据，说明不同形式的AI辅助创造性工作如何与执行网络和默认模式网络相关的关联物相联系。鉴于测量的间接性质以及缺乏对照条件，研究结果旨在生成假设而非结论性的。
材料与方法
参与者
使用G*Power软件进行了配对比较的先验功效分析。假设双侧显著性水平为10%，统计功效为80%，效应量为中等，估计所需的样本量为27名参与者。考虑到可能的脱落，招募了33名个体参与研究。参与者的平均年龄为32.5 ± 6.9岁。参与者是从一家技术咨询公司的员工中随机选择的。所有参与者均报告无影响中枢神经系统的神经、精神或其他疾病史。参与前获得了所有参与者的书面知情同意，并确保了匿名性。所有程序均按照相关指南和规定进行。该研究获得了东京科学大学伦理委员会的批准。
任务
首先，参与者接受讲师关于如何使用Quick-BHQ的简短讲座，然后完成一份问卷。随后，他们参与三个环节，每个环节包括使用Quick-BHQ进行面部表情测量和一项任务。每个环节持续七分钟，任务内容在三个环节中各不相同。
在测试1中，参与者收到以下介绍性指示：“让我们利用生成式AI探索利用大脑健康的新商业想法。请写下你从生成的创意中选出的前三个想法。你的回复格式是自由的。”同时提供了三个示例回复。
在测试2中，参与者收到以下指示：“从你之前列出的想法中，请选择一个。使用生成式AI研究其商业潜力，并用大约300字日文总结结果。”Chat PwC指的是公司内部部署的企业对话AI环境。
在测试3中，参与者收到以下指示：“基于你之前考虑的想法及其商业潜力，请使用生成式AI为该想法创建一个宣传口号和一个解释它的关键信息。”
心理测量
在实验任务之前，参与者完成了一项创造性自我效能感的测量，该量表改编自先前经过验证的量表。该量表包含三个项目，评估参与者在使用AI辅助时从事创造性问题解决的信心。回答采用七点李克特量表记录。
完成所有任务后，参与者被要求对每项任务的输出进行自我评价。回答采用五点李克特量表记录。
面部表情信息
使用松下公司开发的专有应用程序测量面部表情。在评估过程中，参与者坐在摄像头前，并被要求模仿屏幕上显示的照片面部表情。评估了四种基本面部表情——快乐、愤怒、悲伤和惊讶。面部表情数据被转化为指数，这些指数源自先前经过验证的算法，该算法已被证明与独立样本中通过MRI获得的DMN和CEN的灰质体积测量相关。重要的是，这些指数并不代表大脑活动或结构的直接测量，而是间接的、基于面部表情的代理指标，其解释应谨慎对待。
数据分析
根据收集的面部表情信息，计算了先前显示与CEN和DMN的GMV相关的面部表情衍生指数。作为参考，还报告了与反映全脑GMV的面部表情相关的结果，尽管这些不是统计分析的主要焦点。计算了这些值在不同阶段之间的增量变化，并进行了独立t检验以检查增量是否与零有显著差异。考虑到这是一项试点研究，显著性标准设定为双侧10%，并使用Bonferroni检验对多重比较进行了校正。采用这个相对宽松的阈值是为了在样本量有限的探索性研究中降低II类错误的风险。此外，在适用的情况下报告了效应量和90%置信区间，以方便解释观察到的效应的大小和精确度。所有统计分析均使用IBM SPSS Statistics版本28进行。
结果
Δ值和t检验的结果显示。从第一个任务到第二个任务，Δ全脑1在10%的水平上显著大于零。从第二个任务到第三个任务，Δ DMN 2和Δ CEN 2在10%的水平上显著小于零。其中，只有Δ CEN 2满足了Bonferroni调整后的显著性阈值。该效应的幅度为小到中等，相应的90%置信区间不包含零，表明在探索性标准下，概念组合任务期间CEN相关的面部表情衍生指数出现了方向性的降低。
接下来，我们进行了创造性自我效能感、每项任务的自我评价与Δ值之间的相关性分析。结果显示，创造性自我效能感与Δ CEN 2之间存在显著相关性，第一项任务的自我评价与Δ DMN 1之间也存在显著相关性。这些相关性在Bonferroni校正后仍然显著。此外，观察到第二项任务的自我评价与Δ全脑2之间存在显著相关性。
综上所述，这些结果支持了假设H2、H4和H5，而H1、H3和H6被拒绝。
讨论
在这项试点研究中，我们考察了生成式AI支持的创造性写作与面部表情衍生指数之间的任务特异性关联，这些指数先前已被证明与默认模式网络和中央执行网络的灰质体积相关。在所考察的三项任务中，最稳健的发现是在概念组合任务期间CEN相关指数的降低。这一效应在多重比较校正后仍然存在，而在概念生成或混合任务中未观察到经校正的变化。
重要的是，这些发现不应被解释为神经活动或大脑结构变化的证据。本研究中使用的指数是间接的、基于面部表情的代理指标，不提供大脑功能的直接测量。因此，目前的结果最好解释为任务特征与执行网络相关结构关联的面部表情模式之间的关联。
此外，本研究中观察到的统计学显著相关性以小的r平方值为特征，表明个体之间存在大量重叠。从行为角度来看，这些效应大小表明的是弱关联，而非强或具有实际决定性的效应。因此，目前的研究结果应被解释为具有有限的行为相关性，这与研究的探索性和试点性质一致。
先前的神经影像研究强调了CEN在创造性认知过程中对想法进行受控整合和评估的作用。在这一更广泛的文献背景下，在概念组合任务中观察到的CEN相关面部表情衍生指数的降低，可能被解释为与外部认知支持改变执行控制过程参与的可能性一致。然而，本研究不允许对功能替代、认知负荷减少或神经参与减弱进行推断，因此任何此类解释都应被视为推测性的。
尽管一些理论和实证模型提出了创造性任务中DMN和CEN之间的合作动力学，但当前数据并未为此类机制提供实证支持。虽然在概念组合任务中观察到DMN相关指数降低的非显著趋势，但该效应未能在多重比较校正后存活下来，不应被过度解释。因此，此处提及DMN-CEN合作仅作为概念背景，而非本研究结果支持的结论。
个体差异进一步限定了观察到的关联。创造性自我效能感较高的参与者在概念组合任务中表现出较小的CEN相关指数降低，这表明用户特征可能调节个体如何与外部认知工具互动，包括生成式AI。类似地，概念生成任务中较高的自我评价与DMN相关指数的变化相关；然而，鉴于分析的探索性性质，这些关联应谨慎解释。
混合任务期间缺乏显著变化可能反映了竞争的任务需求，或者面部表情衍生指数在捕捉更复杂或重叠的认知过程方面敏感性有限。总的来说，研究结果表明，生成式AI的使用与执行相关面部表情指数之间的关联是任务依赖性的，并受个体特征的调节。鉴于探索性设计、缺乏对照条件以及测量方法的间接性，目前的结果应被视为假设生成，并为未来采用受控实验设计和直接神经影像方法的研究奠定基础。
局限性
本研究有几个局限性。首先，本研究显示AI相关任务引起了与CEN相关的面部表情变化，但并未表明CEN本身发生了变化。其次，本研究未包含对照组，因此我们不能排除干预之外的因素可能影响结果的可能性。第三，由于本研究是在日本参与者中进行的，因此在将结果应用于其他国家时需要谨慎。第四，小样本量限制了结果的普适性。第五，本研究未包含的背景信息，如收入等社会经济地位以及参与者所属社区的差异，可能影响了结果。
结论
本试点研究考察了生成式AI使用与面部表情衍生指数之间的任务特异性关联，这些指数先前已被证明与执行网络和默认模式网络相关的结构特征相关。研究结果表明，在所考察的任务中，只有生成式AI支持的概念组合与CEN相关面部表情指数的稳健降低相关，而概念生成和混合任务未显示经校正的变化。重要的是，这些结果并未证明神经活动或大脑结构的变化，而是在间接的面部表情代理指标水平上突出了可观察到的关联。创造性自我效能感的调节作用进一步表明，个体差异可能塑造用户如何认知性地与生成式AI工具互动。鉴于研究的探索性性质、缺乏对照条件以及有限的样本量，当前的研究结果应谨慎解读。尽管如此，它们为未来采用受控实验设计和直接神经影像方法的假设驱动研究提供了基础，以更好地理解AI辅助创造性工作的认知影响。
